Multivariate Financial Forecasting using the Chronos Time Series Foundation Models
Santa Clara University（圣克拉拉大学）
本文利用Chronos-2开源时间序列基础模型，评估多元输入相对于单变量基线在金融预测中的准确性提升，发现多元预测一致优于单变量，尤其在利率和股票市场中表现显著。
2026-05-08 cs.AI q-fin.ST
How Fama Went Wrong: Measures of Multivariate Kurtosis for the Identification of the Dynamics of a N-Dimensional Market
本文研究了一种普遍的直觉，即在危机期间，金融市场的形状与随机游走过程的形状明显不同。从这个意义上说，它挑战了法玛及其同事提出的对金融市场性质的分析。为此，提出了一种几何方法，以定义市场的变化模式和多变量峰度的措施，以测试从多正态性的偏差。危机的出现可以在这一框架内进行衡量，使用所有关于所考虑股票收益的现有信息，而不仅仅是代表市场的指数。
2012-07-05 physics.data-an q-fin.GN q-fin.ST
On collective non-gaussian dependence patterns in high frequency financial data
对一篮子股票的滞后和同步日内价格增量的条件分布的分析揭示了相关性引起的波动微笑和峰度降低现象。一个基于多元t-Student分布的模型表明，观测效应是由金融时间序列的集体选择性非高斯相关性引起的。
2006-06-26 physics.soc-ph q-fin.ST
Pricing multivariate european equity option using gaussian mixture distributions and evt-based copulas
在这篇文章中，我们提出了一种方法，它允许考虑到极端值的影响，在建模的金融资产回报率和相关期权的定价。具体而言，资产收益率的边际分布是由两个高斯分布的混合模型。此外，我们使用一个极值copula，这是适合我们的金融数据的回报率的联合依赖结构模型。应用程序是对Atos和达索系统的行动的CAC40指数。蒙特卡罗方法被用来计算一些股票期权的价值：最大看涨期权，最小看涨期权，数字期权和一篮子价差期权（Atos，Dassault systems）。
2021-05-21 q-fin.PR q-fin.ST
Gaussian process imputation of multiple financial series
Center for Mathematical Modeling（数学建模中心）
在金融信号处理中，金融指标、股票价格和汇率等多个时间序列由于对市场潜在状态的依赖性而具有很强的耦合性，因此需要对它们进行联合分析。我们专注于学习金融时间序列之间的关系，通过一个多输出高斯过程（MOGP）与表达协方差函数建模。了解金融序列之间的市场依赖关系对于金融观测的估算和预测至关重要。该模型在两个真实的金融数据集上进行了实验验证，并分析了它们在不同渠道之间的相关性。我们比较我们的模型与其他MOGP和独立的高斯过程的真实金融数据。
2020-02-11 cs.LG eess.SP q-fin.ST
Multivariate Distributions in Non-Stationary Complex Systems I: Random Matrix Model and Formulae for Data Analysis
本文提出了一种用于分析非平稳复杂系统中多元分布的随机矩阵模型，并推导了适用于数据分析的公式，通过验证金融数据展示了其应用价值。
2025-11-30 q-fin.ST
MarketGANs: Multivariate financial time-series data augmentation using generative adversarial networks
Department of Mathematics, Sungkyunkwan University, Republic of Korea（淑阳大学数学系）；Department of Financial Engineering, Ajou University, Republic of Korea（东亚大学金融工程系）；Department of FinTech, SKK Business School, Sungkyunkwan University, Republic of Korea（淑阳大学SKK商学院金融科技系）
MarketGAN通过生成对抗网络生成高维金融时间序列数据，有效捕捉资产收益率的复杂统计特性，提升投资组合协方差估计的准确性。
2026-01-25 cs.LG econ.EM q-fin.ST
Estimating Systemic Risk within Financial Networks: A Two-Step Nonparametric Method
本文针对CoVaR估计中多元分位数条件不可观测的难题，提出基于蒙特卡洛模拟数据的两步非参数方法，先以次序统计量估计多元分位数，再用核方法估计条件分位数，并证明其一致性与渐近正态性，数值实验验证了方法的有效性。
2023-10-28 math.ST q-fin.RM q-fin.ST
Partial multivariate transformer as a tool for cryptocurrencies time series prediction
Faculty of Electronics and Information Technology（电子与信息技术学院）；Warsaw University of Technology（华沙技术大学）
本文提出部分多变量变换器用于加密货币时间序列预测，通过实验证明其在统计准确性上的优势，并指出预测误差与实际交易收益之间的矛盾。
2025-11-22 cs.AI cs.CE q-fin.ST
Hermitian and non-Hermitian covariance estimators for multivariate Gaussian and non-Gaussian assets from random matrix theory
本文应用随机矩阵理论的平面高斯图解展开方法，首先对最一般的多元高斯系统，以主方程的形式求出Hermitian等时和非Hermitian时滞互协方差估计量的平均谱密度，其次对真协方差函数的七个特殊玩具模型，求出它们的平均谱密度。对于其中最简单的一个模型，证明了现有结果的错误，并给出了正确的结果，并将其推广到指数加权滑动平均估计以及两个非高斯分布Student t和free Levy.本文围绕金融复杂系统的应用，其结果构成了一个敏感的探测真实的相关性存在。
2012-05-20 cond-mat.stat-mech q-fin.RM q-fin.ST
Neural Generalised AutoRegressive Conditional Heteroskedasticity
University College London（伦敦大学学院）
我们提出了神经神经GARCH，一类方法来模拟金融时间序列的条件异方差性。神经GARCH是单变量情况下GARCH 1，1模型和多变量情况下对角BEKK 1，1模型的神经网络适应。为了反映金融市场不断变化的动态，我们允许GARCH模型的系数随时间变化。时变系数由一个递归神经网络参数化，该网络是用随机梯度变分贝叶斯训练的。我们提出了我们的模型的两个变种，一个正常的创新和其他学生t创新。我们在广泛的单变量和多变量金融时间序列上测试了我们的模型，我们发现神经学生t模型始终优于其他模型。
2022-02-23 cs.LG q-fin.ST stat.ML
Modeling and Simulation of Financial Returns under Non-Gaussian Distributions
针对金融收益率非高斯分布选型无共识的问题，本文对比研究主流高频收益率分布模型的统计特性，经蒙特卡洛仿真发现其在大幅价格变动标度特性上具有一致性，并探讨了收敛速率及对期权定价的影响。
2023-02-06 physics.soc-ph q-fin.ST
Testing the Gaussian Copula Hypothesis for Financial Assets Dependences
利用Copula函数在变量的任意单调变化下保持不变的一个重要性质，我们研究了金融资产之间的相关性可以用Gaussian Copula函数建模的零假设。我们发现，大多数货币对和主要股票对都符合高斯Copula假设，而这一假设可以拒绝对商品（金属）之间的依赖关系。尽管大多数货币和股票的高斯copula假设都有明显的限制，但如果一个非高斯copula（如学生copula）有足够多的"自由度“，它就不能被拒绝。因此，盲目地接受高斯copula假设可能是非常危险的，特别是当资产对之间的相关系数太高时，因为高斯copula忽略的尾部相关性可以大到0.6，即，同时发生的五个极端事件中有三个被忽略了。
2001-11-16 cond-mat.stat-mech nlin.AO q-fin.ST
A multivariate multifractal model for return fluctuations
在本文中，我们简要地回顾了最近引入的多重分形随机游走（MRW），能够再现最近的实证研究结果，金融时间序列：没有相关性之间的价格变化，长期波动相关性和多重分形统计。然后，我们专注于它的扩展到一个多变量的背景下，以模拟投资组合的行为。对真实数据的经验估计表明，这种方法可以适当地解释所有时间尺度上股票收益率之间的线性和非线性相关性。
2000-09-18 cond-mat.stat-mech q-fin.ST
Transformers Beyond Order: A Chaos-Markov-Gaussian Framework for Short-Term Sentiment Forecasting of Any Financial OHLC timeseries Data
针对金融OHLC数据短期情绪预测的挑战，提出混沌-马尔可夫-高斯（CMG）框架，融合混沌理论、马尔可夫链和Gaussian过程，并增强Transformer模型，实现高效准确预测，优于传统基线。
2025-06-06 cs.CE q-fin.ST
